ANALISIS PREDIKSI PENYAKIT DIABETES MENGGUNAKAN METODE DECISION TREE, NAÏVE BAYES, K-NEAREST NEIGHBOR DAN RANDOM FOREST

Ridho Parmonangan Manurung, Afifah Syahirah, Arief Wibowo

Abstract


Diabetes merupakan penyakit kronis yang ditandai dengan mening-katnya kadar gula darah yang tidak normal. Kadar gula darah yang tinggi, usia, hipertensi, sariawan terus menerus, gatal-gatal, penglihatan yang buram, berat badan berlebihan, penurunan pen-dengaran, kesemutan, dan faktor lainnya adalah beberapa penyebab potensial diabetes. Jika tidak ditangani dengan cepat dan tepat, dia-betes dapat mengakibatkan penyakit komplikasi seperti jantung, stroke, gagal ginjal, kebutaan hingga amputasi. Data training dan data testing diabetes yang digunakan dalam penelitian ini adalah data yang berasal dari database aplikasi rekam medis dan akan dio-lah menggunakan empat model algoritma. Metode klasifikasi ialah bagian dari Teknik data mining untuk melakukan prediksi. Terdapat 2460 data training dan 308 data testing. Penelitian ini bertujuan un-tuk mengetahui model algoritma yang paling tepat untuk mempred-iksi diabetes. Untuk menentukan model algoritma yang paling tepat, dapat dilihat dari tingkat akurasi, presisi dan recall dari model algo-ritma. Hasil penelitian menunjukkan bahwa model algoritma K-Nearest Neighbor terbukti dapat melakukan prediksi penyakit dia-betes dengan baik. Diperoleh nilai akurasi model algoritma K-Nearest Neighbor sebesar 83.78%, presisi sebesar 83.35% dan recall sebesar 73.02% yang diukur dengan Confusion Matrix menggunakan Rapidminer.

Keywords


Diabetes; Decision Tree; Naive Bayes; K-NN; Random Forest

Full Text:

PDF

References


G. Mahalisa and N. Arminarahmah, "Diabetes Classification Analysis Using the Euclidean Distance Method Based on the K-Nearest Neighbors Algo-rithm".

A. Anggrawan and M. Mayadi, "Application of KNN Machine Learning and Fuzzy C-Means to Diagnose Diabetes".

D. L. Tahapary, S. Wafa and D. S. Harbuwono, "Puasa Ramadan dan Diabetes Melitus: Risiko, Manfaat dan Peluang Penelitian".

A. Andriyani, F. Megawaty, K. Karnelasatri, J. Trisina and S. W. N. Munthe, "EDUKASI PENYAKIT DIABETES MELITUS TIPE 2 DAN PEMERIKSAAN GULA DARAH SEWAKTU".

B. A. C. Permana, R. Ahmad, H. Bahtiar, A. Sudianto and I. P. Gunawan, "Classification of diabetes disease using decision tree algorithm (C4.5)".

M. R. Qisthiano, T. B. Kurniawan, E. S. Negara and M. Akbar, "Pengembangan Model Untuk Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu dengan Metode Naïve Bayes".

P. Cunningham and S. J. Delany, "k-Nearest Neighbour Classifiers - A Tutorial".

E. Scornet, "Trees, forests, and impurity-based variable importance".

Zhao, Y., & Zhang, Y., “Comparison of decision tree methods for finding active objects.” arXiv preprint arXiv:0708.4274.

Y. Y. Song and Y. Lu, "Decision tree methods: applications for classification and prediction," Shanghai Archives of Psychiatry, vol. 27, no. 2, pp. 130–135, Apr. 2015, doi: 10.11919/j.issn.1002-0829.215044.

D. Berrar, "Bayes’ Theorem and Naive Bayes Classifier," in Encyclopedia of Bioinformatics and Computational Biology, S. Ranganathan, M. Gribskov, K. Nakai, and C. Schönbach, Eds., Academic Press, 2019, pp. 403–412, doi: 10.1016/B978-0-12-809633-8.20473-1.

V. M. Herrera, T. M. Khoshgoftaar, F. Villanustre, and B. Furht, "Random forest implementation and optimization for Big Data analytics on Lex-isNexis’s high performance computing cluster platform," Journal of Big Data, vol. 6, no. 1, p. 68, 2019, doi: 10.1186/s40537-019-0224-2.

L. Breiman, "Random Forests," Machine Learning, vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.

B. Talekar and S. Agrawal, "A Detailed Review on Decision Tree and Random Forest," Bioscience Biotechnology Research Communications, vol. 13, no. 14, pp. 245–248, 2020.

M. F. Mustapha, A. Z. B. Zulkifli, O. Kairan, N. N. S. M. Zizi, N. N. Yahya and N. M. Mohamad, "The prediction of student’s academic performance using RapidMiner".

R. Adawiyah, M. Muljono and W. E. Nugroho, "Algoritma Naive Bayes Untuk Memprediksi Bimbingan Konseling Siswa Sekolah Menengah Kejuruan".

B. Talekar and S. Agrawal, "A Detailed Review on Decision Tree and Random Forest," Bioscience Biotechnology Research Communications, vol. 13, no. 14, pp. 245–248, 2020.

H. Xu, G. Fan and Y. Song, "Application Analysis of the Machine Learning Fusion Model in Building a Financial Fraud Prediction Model".

Y. Wang and Y. Wang, "Belief Entropy Tree and Random Forest: Learning from Data with Continuous Attributes and Evidential Labels," Entropy, vol. 24, no. 5, p. 605, 2022, doi: 10.3390/e24050605.

A. Sutrisno and A. Rahman, "Perbandingan Algoritma Decision Tree dan Naïve Bayes dalam Menentukan Predikat Kinerja Dosen," Jurnal Teknolo-gi dan Manajemen Informatika, vol. 10, no. 2, pp. 123–130, 2022.




DOI: https://doi.org/10.29100/jipi.v11i1.7887

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.